OptStream:隐私保护下时间序列的发布
密码学与安全
2020-04-20 v2 人工智能
数据库
数据结构与算法
摘要
机器学习和优化的许多应用都运行在数据流上。尽管这些数据集是驱动决策算法的基础,但它们常包含关于个人的敏感信息,其使用带来了显著的隐私风险。受能源系统应用的启发,本文提出 OPTSTREAM,一种在 w-event 隐私模型下发布差分隐私数据流的新型算法。OPTSTREAM 是一个由采样、扰动、重构和后处理模块组成的四步流程。首先,采样模块在每段时间区间内选取少量待访问的点。随后,扰动模块向采样数据点添加噪声以保证隐私。接着,重构模块从加扰后的样本点中重建未采样的数据点。最后,后处理模块利用前述模块的隐私输出以及关于数据流的额外查询的隐私回答,通过凸优化重新分配所加噪声以提高精度。OPTSTREAM 在涉及发布欧洲最大输电运营商真实数据流的测试用例上进行了评估。实验结果表明,OPTSTREAM 不仅可将最先进方法的精度提升至少一个数级,还支持在隐私数据上实现准确的负荷预测。
引用
@article{arxiv.1808.01949,
title = {OptStream: Releasing Time Series Privately},
author = {Ferdinando Fioretto and Pascal Van Hentenryck},
journal= {arXiv preprint arXiv:1808.01949},
year = {2020}
}